5.1.4 机器学习的核心方法 -1

探析机器学习的基础原理与汽车数据特征主讲教师：陈思汽车人工智能通识讲义项目五

任务1汽车人工智能通识讲义1.4机器学习的核心方法机器学习领域内，有三种核心方法在推动技术发展与应用落地中发挥着关键作用，分别为监督学习、无监督学习和强化学习，如表5-1-1所示，它们各自具备独特的运行逻辑与适配场景，如图5-1-9所示。方法类型核心逻辑新能源/智能网联汽车应用场景关键优势监督学习基于“输入-标签”训练，学习映射关系动力电池故障诊断（故障类型为标签）、新能源汽车能耗预测（能耗值为标签）精度高，可解释性强，便于工程师定位故障根源无监督学习无标签数据，自主挖掘数据隐藏模式智能网联汽车驾驶行为分类（急加速/急刹车/平稳驾驶分组）、车载传感器异常数据检测（如电压传感器异常值识别）无需人工标注，适用于未知场景，降低数据标注成本强化学习通过“试错-奖励”机制，优化决策策略新能源汽车能量回收策略调整（低能耗获正向奖励）、智能网联汽车自动驾驶泊车路径优化（成功泊车获正向奖励）动态适应环境变化，长期收益最优，适配复杂路况表5-1-9机器学习的三种核心方法汽车人工智能通识讲义1.4机器学习的核心方法图5-1-1机器学习三大核心方法逻辑对比图汽车人工智能通识讲义1.4机器学习的核心方法1.4.1监督学习1.什么是监督学习监督学习是机器学习的核心方法之一，又称监督式训练或有教师学习。其核心逻辑是利用带标签的数据集进行训练——这里的“标签”即输入数据对应的已知输出或结果。例如，在新能源汽车动力电池故障诊断场景中，输入数据为电池电压、电流、温度、SOC等参数，标签则是“正常运行”“电芯衰减”“热失控隐患”等明确类别，如图5-1-2所示。从数据构成看，输入特征涵盖电池全生命周期的关键运行参数：除基础的电压、电流、温度、SOC（荷电状态）外，还包括充放电循环次数、内阻变化、电芯压力、容量衰减率等深度特征。图5-1-2监督学习在动力电池故障诊断场景中的应用汽车人工智能通识讲义1.4机器学习的核心方法（1）动力电池数据采集与标注先通过车载BMS（电池管理系统）或云端监测平台，实时采集电池运行的核心数据，包括电压、电流、温度、SOC（荷电状态）、充放电循环次数、内阻等；采集后需做去噪（如剔除异常波动数据）、标准化（统一数据格式）等预处理。标注则是给预处理后的数据贴“结果标签”：若做故障分类，标注“正常运行”“电芯衰减”“热失控隐患”等类别；若做健康度预测，标注SOH（健康状态）、剩余寿命等数值，且标签需依据行业标准（如容量衰减至80%算失效）确定，确保准确性。汽车人工智能通识讲义1.4机器学习的核心方法（2）监督学习模型训练将“采集标注后的带标签数据”拆分为训练集（占比70%-80%）和验证集；根据数据特性选算法——比如用LSTM处理时序性的充放电数据，用随机森林做故障分类；以训练集“喂给”模型，通过损失函数（如交叉熵、均方误差）迭代调整模型参数，减少预测误差；再用验证集测试模型效果，优化至满足诊断精度（如故障识别准确率≥95%），形成可用的监督学习模型。训练过程中，算法会基于样本数据不断调整模型内部参数（如权重、决策阈值）。具体流程为如图5-1-3所示，输入数据传入模型后，模型输出预测结果；随后，通过损失函数计算预测结果与真实标签之间的差异（误差）；系统根据该误差反向传播并修正模型参数。此过程反复迭代，使模型获得优异的泛化能力。图5-1-3监督学习训练过程示意图汽车人工智能通识讲义1.4机器学习的核心方法（3）输入新数据及预测故障将待诊断电池的实时新数据（同样经过预处理，与训练数据格式一致）输入训练好的模型；模型依据已学的“数据-故障”映射规律，快速输出结果：若为分类模型，直接判定“正常”或具体故障类型（如“电芯衰减”）；若为回归模型，给出SOH、剩余寿命等数值；工作人员根据预测结果，及时制定维护或更换方案，实现故障预警。这种方法的核心目标是让模型从已知关联中学习稳定的“输入-输出”映射规律，最终实现对新数据的精准分类（如识别电池故障类型）或预测（如预判车辆能耗），因精度可控、可解释性强，广泛应用于对可靠性要求高的工业场景。汽车人工智能通识讲义1.4机器学习的核心方法2.监督学习的原理监督学习是训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形成。监督学习的核心逻辑可结合其基本原理框架图（图5-1-4）直观理解：图5-1-4监督学习基本原理框架图汽车人工智能通识讲义1.4机器学习的核心方法训练数据是整个过程的起点，由一系列训练示例构成。如图中左侧模块所示，每个示例均包含两部分：一是以矢量形式呈现的输入对象（如特征向量，可理解为描述事物属性的多维数据，例如电池的电压、温度等参数组合），二是与之绑定的期望输出值（即“监督信号”，如图中与输入矢量成对出现的标签，如“正常”“故障”等类别）。中间模块展示了监督学习算法的作用：它通过分析这些带监督信号的训练示例，挖掘输入特征与输出结果间的潜在关联（如图中算法模块内的“映射规则学习”过程），最终生成一个推断功能（即训练好的模型，可视为一个数学函数或决策规则）。当面对图右侧的新实例（未包含在训练数据中的未知数据，其输入特征格式与训练数据一致）时，该推断功能会应用已学到的映射规则，输出对应的预测结果（如图中箭头指向的“类标签”，如判断新的电池数据对应的“健康状态”）。一个理想的模型应具备良好的泛化能力——如图中“合理泛化”箭头所示，能从训练数据的规律出发，对未见过的新实例做出准确判断，这依赖于算法在训练过程中对数据本质规律的捕捉，而非简单记忆训练样本。监督学习使用一个训练集来教模型产生期望的输出。这个训练数据集包括输入和正确的输出，这使得模型可以随着时间的推移而学习。该算法通过损失函数测量其精度，调整直到误差被充分最小化。汽车人工智能通识讲义1.4机器学习的核心方法以新能源汽车电池故障诊断场景为例，工程师会收集大量动力电池在不同状态下的数据，像正常工作时的电压、电流、温度数值，以及出现各类故障（如电池衰减、热失控隐患等）时对应的一系列数据，并为其标注准确的故障类型标签。利用这些标注数据，监督学习算法能够学习到不同数据特征组合与特定故障类型之间的关联规律。在面对新的电池数据输入时，模型便能依据所学规律，快速且准确地判断电池是否存在故障以及故障类型，为车辆的安全稳定运行提供保障。常见的监督学习算法包含决策树，其以树形结构组织决策规则，例如“若电池